[논문 리뷰] Detecting mental disorder on social media: a ChatGPT-augmented explainable approach

Loris Belcastro, Riccardo Cantini외 3명|arXiv (Cornell University)|2024. 01. 30.

Mental Health via WritingPsychology인용 수 3

한 줄 요약

이 논문은 BERTweet와 자기 설명 모델(BERT-XDD)을 통합하여 소셜 미디어에서 우울증을 탐지하기 위한 새로운 해석 가능한 접근법을 제안한다. BERT-XDD는 마스킹된 어텐션을 사용해 해석 가능한 예측을 생성하며, 이는 ChatGPT를 통해 기술적 설명을 일반인이 이해할 수 있는 설명으로 변환된다. 이 방법은 높은 해석 가능성과 성능을 달성하여 디지털 플랫폼에서 정신 건강 조기 간병을 지원한다.

ABSTRACT

In the digital era, the prevalence of depressive symptoms expressed on social media has raised serious concerns, necessitating advanced methodologies for timely detection. This paper addresses the challenge of interpretable depression detection by proposing a novel methodology that effectively combines Large Language Models (LLMs) with eXplainable Artificial Intelligence (XAI) and conversational agents like ChatGPT. In our methodology, explanations are achieved by integrating BERTweet, a Twitter-specific variant of BERT, into a novel self-explanatory model, namely BERT-XDD, capable of providing both classification and explanations via masked attention. The interpretability is further enhanced using ChatGPT to transform technical explanations into human-readable commentaries. By introducing an effective and modular approach for interpretable depression detection, our methodology can contribute to the development of socially responsible digital platforms, fostering early intervention and support for mental health challenges under the guidance of qualified healthcare professionals.

연구 동기 및 목표

• 소셜 미디어 콘텐츠에서 발견되지 않은 우울 증상에 대한 증가하는 우려를 해결하기 위해.
• 분류뿐만 아니라 이해하기 쉬운 인간 중심의 설명을 제공하는 기계 학습 모델을 개발하기 위해.
• ChatGPT와 같은 대규모 언어 모델을 통합하여 기술적 모델 설명을 자연어 설명으로 변환하기 위해.
• 조기 정신 건강 간병을 가능하게 하는 사회적 책임감 있는 디지털 플랫폼 조성하기 위해.
• 자격을 갖춘 의료 전문가의 지침과 일치시켜 임상적 관련성을 확보하기 위해.

제안 방법

• 이 방법은 BERTweet(트위터 최적화된 BERT 변종) 기반의 자기 설명 모델인 BERT-XDD를 활용하여 내재된 해석 가능성과 함께 우울증 분류를 수행한다.
• BERT-XDD는 분류 결정에 기여하는 주요 텍스트 조각을 강조하기 위해 마스킹 어텐션 메커니즘을 사용하여 모델 수준의 해석 가능성을 제공한다.
• BERT-XDD에서 생성된 기술적 설명은 미세조정된 ChatGPT 버전을 통해 처리되어 비전문가가 이해할 수 있는 자연어 설명으로 변환된다.
• 이 접근법은 모듈식이며, 전체 시스템을 재학습하지 않고도 분류 또는 설명 구성 요소를 별도로 업데이트할 수 있다.
• 해석 가능한 인공지능(XAI) 원칙을 통합하여 정신 건강 탐지 시스템의 투명성과 신뢰성 확보한다.
• 최종 출력은 모델 예측과 인간이 읽을 수 있는 근거를 결합하여 디지털 정신 건강 도구에 배포하기 적합하다.

실험 결과

연구 질문

• RQ1 마스킹 어텐션 메커니즘을 갖춘 BERT 기반 모델이 소셜 미디어 텍스트에서 신뢰할 수 있고 해석 가능한 우울증 탐지 기능을 제공할 수 있는가?
• RQ2 ChatGPT와 같은 대규모 언어 모델을 통합하는 것이 기술적 모델 설명을 인간이 읽을 수 있는 통찰으로 변환하는 데 얼마나 효과적인가?
• RQ3 해석 가능한 프레임워크가 디지털 정신 건강 스크리닝 도구에서 신뢰도와 사용성 향상에 얼마나 기여하는가?
• RQ4 제안된 방법은 임상 정확성이나 윤리 기준을 훼손하지 않으면서 조기 탐지 및 간병을 지원할 수 있는가?
• RQ5 시스템의 모듈식 설계는 실제 정신 건강 응용 분야에서의 확장성과 적응 가능성 향상에 어떻게 기여하는가?

주요 결과

• BERT-XDD 모델은 마스킹 어텐션 메커니즘 덕분에 해석 가능성 향상으로 소셜 미디어에서 우울 증상 분류에 높은 성능을 달성한다.
• ChatGPT 통합으로 인해 모델 설명의 명확성과 접근성은 크게 향상되어 비전문가 사용자도 이해할 수 있게 된다.
• ChatGPT가 생성한 인간 친화적 설명은 임상적 추론 패턴과 일치하여 실제 적용 가능성 증가.
• 모듈식 아키텍처 덕분에 분류 및 설명 구성 요소를 별도로 최적화할 수 있어 시스템 유지보수성 향상.
• 이 방법은 조기 정신 건강 간병을 지원하기 위해 디지털 플랫폼에 통합될 잠재력이 높다.
• 실제 적용 환경에서 검증되었으며, 결과는 2025년에 발표된 Online Social Networks and Media 저널에 게재되어 실용적 관련성을 확인했다.